對於低結構化的文本或圖像資料，下列哪一種特徵工程（Feature Engineering）方法最為適用？
iPAS 考題解析
對於低結構化的文本或圖像資料，下列哪一種特徵工程（Feature Engineering）方法最為適用？
- A. 特徵改善（Feature Improvement）
- B. 特徵建構（Feature Construction）
- C. 特徵學習（Feature Learning） ✓ 正確答案
- D. 特徵選擇（Feature Selection）
詳細解析
特徵學習（Feature Learning）透過神經網路等方法自動從原始非結構化資料（文本、圖像）中學習有意義的特徵表示，不需要人工設計特徵。這與 NLP 的詞嵌入、CV 的卷積特徵提取原理相同。特徵選擇適用於已有結構化特徵的資料集。
出題年份：114 難度：★★☆